I-1
Diajukan Sebagai Syarat Untuk Menyelesaikan Pendidkan Program Strata-1 Pada
Jurursan Teknik Informatika
Oleh :
Muhammad Farhan Evirzal NIM : 09021181520015
Jurusan Teknik Informatika
FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA 2019
Motto :
•
Push your Limit till You Reach the Goal
Kupersembahkan karya tulis ini kepada :
•
Orang tuaku tercinta
•
Saudaraku
•
Sahabat dan teman seperjuanganku
•
Jurusan Teknik Informatika
•
Fakultas Ilmu Komputer
KATA PENGANTAR Bismillahirrahmanir rahiim
Puji syukur kepada Allah atas berkat dan rahmat-Nya yang telah diberikan kepada Penulis sehingga dapat menyelesaikan Tugas Akhir ini dengan baik. Tugas akhir ini disusun untuk memenuhi salah satu syarat guna menyelesaikan pendidikan program Strata-1 pada Fakultas Ilmu Komputer Program Studi Teknik Informatika di Universitas Sriwijaya.
Dalam menyelesaikan Tugas Akhir ini banyak pihak yang telah memberikan bantuan dan dukungan baik secara langsung maupun secara tidak langsung. Penulis ingin menyampaikan rasa terima kasih kepada:
1. Orang tuaku, M. Parizal dan Evi Silvianti, dan Adikku M. Fadly Dwi Ananda yang selalu mendokan serta memberikan dukungan baik moril maupun materil. 2. Bapak Jaidan Jauhari, M.T selaku Dekan Fakultas Ilmu Komputer Universitas Sriwijaya, Bapak Rifkie Primartha, M.T selaku Ketua Jurusan Teknik Informatika dan Ibu Hardini Novianti, M.T selaku Sekretaris Jurusan Teknik Informatika. 3. Ibu Dian Palupi Rini, M.Kom., Ph.D selaku dosen pembimbing I dan Bapak Kanda Januar Miraswan, M.T selaku pembimbing II, yang telah membimbing, mengarahkan dan memberikan motivasi penulis dalam proses perkuliahan dan pengerjaan Tugas Akhir.
4. Bapak Kanda Januar Miraswan, M.T selaku dosen pembimbing akademik, yang telah membimbing, mengarahkan dan memberikan motivasi penulis dalam proses perkuliahan dan pengerjaan Tugas Akhir.
5. Ibu Alvi Syahrini Utami, M.Kom selaku dosen penguji I, dan Ibu Nabila Rizky Oktadini, M.T selaku dosen penguji II yang telah memberikan masukan dan dorongan dalam proses pengerjaan Tugas Akhir.
6. Seluruh dosen Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Sriwijaya.
7. Kak Ricy serta seluruh staf tata usaha yang telah membantu dalam kelancaran proses administrasi dan akademik selama masa perkuliahan.
8. Teman – teman Ghibah Pagi serta seluruh teman-teman jurusan Teknik Informatika yang telah saling berbagi selama masa perkuliahan ini.
9. BPH HMIF yang telah memberikan ruang bagi Penulis untuk berprestasi dan berkarya.
Penulis menyadari dalam penyusunan Tugas Akhir ini masih terdapat banyak kekurangan disebabkan keterbatasan pengetahuan dan pengalaman, oleh karena itu kritik dan saran yang membangun sangat diharapkan untuk kemajuan penelitian selanjutnya. Akhir kata semoga Tugas Akhir ini dapat berguna dan bermanfaat bagi kita semua.
Indralaya, Desember 2019
DAFTAR ISI
HALAMAN JUDUL……..………...i
LEMBAR PENGESAHAN TUGAS AKHIR……….…ii
TANDA LULUS UJIAN SIDANG TUGAS AKHIR………...…….iii
MOTTO DAN PERSEMBAHAN……….……….iv
HALAMAN PERNYATAAN………….………....v ABSTRACT……….………...…vi ABSTRAK………..………...vii KATA PENGANTAR………..viii DAFTAR ISI………..….…ix DAFTAR TABEL………...………..xiv DAFTAR GAMBAR……….………..……...xviii DAFTAR LAMPIRAN……….……….xx BAB I PENDAHULUAN 1.1 Pendahuluan….……….……..I-1
1.2 Latar Belakang Masalah……….……I-1
1.3 Rumusan Masalah……….…..I-3
1.4 Tujuan Penelitian……….……...I-4
1.5 Manfaat Penelitian ... I-4 1.6 Batasan Masalah ... I-5 1.7 Sistematika Penulisan ... I-5 1.8 Kesimpulan ... I-6
BAB II Tinjauan Pustaka
2.1 Pendahuluan ... II-1 2.2 Landasan Teori ... II-1
2.2.1 Website Phishing ... II-1
2.2.3 Particle Swarm Optimization (PSO) ... II-4
2.2.4 PSO – KNN ... II-9
2.2.5 Pengujian Penelitian ... II-10
2.2.6 Rational Unified Process (RUP) ... II-12
2.3 Penelitian Lain yang Relevan ... II-13 2.3.1 Penerapan Klasifikasi K-Nearest Neighbour untuk Mendeteksi Penyakit Jantung… ... II-13
2.3.2 Optimasi K-Nearest Neighbour Menggunakan Particle Swarm
Optimization pada Sistem Pakar untuk Monitoring Pengendalian Hama pada Tanaman Jeruk ... II-13
2.3.3 Recognizing Human Activity in Mobile Crowdsensing Environment using Optimized k – Nearest Neighbour Algorithm ... II-14
2.3.4 Particle Swarm Optimization pada Metode KNN Euclidian Distance
Berbasis Variasi Jarak Untuk Penilaian Lembaga Kursus ... II-14
2.4 Kesimpulan ... II-15
BAB III METODOLOGI PENELITIAN
3.1 Pendahuluan ... III-1 3.2 Pengumpulan Data ... III-1 3.2.1 Jenis dan Sumber Data ... III-1
3.2.2 Metode Pengumpulan Data ... III-1
3.3 Tahap Penlitian ... III-2 3.3.1 Menetapkan Kerangka Kerja / Framework ... III-3
3.3.2 Menetapkan Kriteria Pengujian ... III-5
3.3.3 Menetapkan Format data Pengujian ... III-6
3.3.4 Menentukan Alat yang Digunakan Dalam Pelaksanaan Penelitian. . III-10 3.3.5 Melakukan Pengujian Penelitian………...III-11 3.3.6 Melakukan Analisa Hasil dan Membuat Kesimpulan Penelitian ... III-12 3.4 Metode Pengembangan Perangkat Lunak…………...………....III-13
3.4.1 RUP ... III-13
BAB IV PENGEMBANGAN PERANGKAT LUNAK
4.1 Pendahuluan………IV-1 4.2 Rational Unified Process………IV-1 4.2.1 Fase Insepsi………..IV-1 4.2.1.1 Pemodelan Bisnis………...………..IV-2
4.2.1.2 Kebutuhan Sistem………...IV-3 4.2.1.3 Analisis dan Desain………IV-4 4.2.1.3.1 Analisis Kebutuhan Perangkat Lunak……….IV-4 4.2.1.3.2 Analisis Data………...IV-5 4.2.1.3.3 Analisis Pembangkitan Partikel dan Parameter Awal
Partikel………...IV-8 4.2.1.3.4 Analisis Klasifikasi k - Nearest Neighbour……...IV-9 4.2.1.3.5 Analisis Nilai fitness………IV-11 4.2.1.3.6 Analisis Nilai PBest dan Gbest………….………...IV-11 4.2.1.3.7 Analisis Parameter Particle Swarm Optimization...IV-12 4.2.1.3.8 Analisis Kondisi Berhenti………IV-13 4.2.1.3.9 Desain Perangkat Lunak………..IV-14 4.2.2 Fase Elaborasi………....IV-21 4.2.2.1 Pemodelan Bisnis…………..………...….IV-21 4.2.2.1.1 Perancangan Data………...………..…..IV-21 4.2.2.1.2 Perancangan Antar Muka……….………..…..IV-22 4.2.2.2 Kebutuhan Sistem………...IV-22 4.2.2.3 Diagram Aktivitas………..…...IV-23 4.2.2.4 Diagram Sequence………...…..IV-25 4.2.3 Fase Konstruksi………..IV-28 4.2.3.1 Kebutuhan Sistem………...………..IV-28 4.2.3.2 Diagram Kelas………..IV-28 4.2.3.3 Diagram Kelas Analisis………IV-29
4.2.3.4 Implementasi………IV-30 4.2.3.4.1 Implementasi Kelas……….IV-30 4.2.3.4.2 Implementasi Antar Muka………...IV-31 4.2.4 Fase Transisi………..IV-32 4.2.4.1 Pemodelan Bisnis……….………IV-32 4.2.4.2 Kebutuhan Sistem……….IV-33 4.2.4.3 Rencana Pengujian……...……….IV-33 4.2.4.3.1 Rencana Pengujian Use Case Memuat File……….IV-33 4.2.4.3.2 Rencana Pengujian Use Case Klasifikasi Website
Phishing dengan Metode k - NN…………...……...IV-34 4.2.4.3.3 Rencana Pengujian Use Case Klasifikasi Website
Phishing dengan Kombinasi Metode PSO - k - NN..IV-35 4.2.4.4 Implementasi………..……….IV-35 4.2.4.3.1 Pengujian Use Case Memuat File………...IV-35 4.2.4.3.2 Pengujian Use Case Klasifikasi Website Phishing
dengan Metode k - NN…………...………...IV-36 4.2.4.3.3 Rencana Pengujian Use Case Klasifikasi Website
Phishing dengan Kombinasi Metode PSO - k - NN…IV-38
BAB V HASIL DAN ANALISIS PENELITIAN
5.1 Pendahuluan………..…V-1 5.2 Data Hasil Penelitian Percobaan………...V-1 5.2.1 Konfigurasi Percobaan………..V-1 5.2.2 Data Hasil Konfigurasi ………….………V-2 5.2.2.1 Hasil Pengujian Klasifikasi Menggunakan Metode k – Nearest
Neighbour………..V-3 5.2.2.2 Hasil Pengujian Pengaruh Parameter PSO dan Hasil Klasifikasi
Swarm Optimization dan k – Nearest
Neighbour….………..……….V-4
5.3 Analisis Hasil Pengujian……….V-9 5.3.1 Analisis Hasil Pengujian Klasifikasi Website Phishing dengan Metode
k – Nearest Neighbour……….………..V-9
5.3.2 Analisis Hasil Pengujian Pengaruh Parameter PSO dan Klasifikasi Website Phishing dengan Kombinasi Metode Particle Swarm
Optimization dan k – Nearest Neighbour………...V-9 5.3.3 Analisis Hasil Pengujian Klasifikasi Website Phishing dengan Metode
k – Nearest Neighbour dan Analisis Hasil Pengujian Klasifikasi
Website Phishing dengan Kombinasi Metode Particle Swarm
Optimization dan k – Nearest Neighbour………V-10 5.4 Kesimpulan…….………V-11 BAB VI ………...VI-1 6.1 Pendahuluan ………...VI-1 6.2 Kesimpulan……….VI-1 6.3 Saran………...VI-2
DAFTAR TABEL
Tabel II-1. Fitur – fitur yang ada pada situs web phishing………..…....II-2 Tabel III-1. Rancangan Tabel Hasil Pengujian Nilai Akurasi Algoritma
k-NN………... ………….III-7
Tabel III-2. Rancangan Tabel Hasil Pengujian Waktu Komputasi Algoritma
k-NN………..III-7
Tabel III-3. Rancangan Tabel Hasil Pengujian Pengaruh Jumlah Partikel…….III-8 Tabel III-4. Rancangan Tabel Hasil Pengujian Pengaruh Jumlah Iterasi...III-8 Tabel III-5. Rancangan Tabel Hasil Pengujian Pengaruh Bobot Inersia (w)….III-9 Tabel III-6. Rancangan Tabel Hasil Pengujian Nilai Akurasi Hasil Klasifikasi
PSO-kNN,,………..III-9
Tabel III-7. Rancangan Tabel Hasil Pengujian Waktu Komputasi Hasil Klasifikasi
PSO-kNN……….………III-10
Tabel III-8. Rancangan Tabel Analisa Hasil Klasifikasi Algoritma k-NN dan
PSO-kNN………..III-12
Tabel III-9. Rancangan Tabel Hasil Analisa Pengaruh Parameter Particle Swarm
Optimization untuk Menentukan Nilai k Optimum pada Algoritma k – Nearest Neighbour………...III-13
Tabel III-10. Penjadwalan Penelitian dalam Bentuk Work Breakdown Structure (WBS)……….………....III-17
Tabel IV-1. Tabel Kebutuhan Fungsional Sistem………..IV-3 Tabel IV-2. Tabel Kebutuhan Non-Fungsional Sistem………..IV-3 Tabel IV-3. Tabel Fitur – Fitur pada Dataset………...IV-4 Tabel IV-4. Tabel Gambaran Dataset yang Digunakan………..IV-7 Tabel IV-5. Tabel Partikel (Kemungkinan Ruang Solusi)………..IV-8 Tabel IV-6. Tabel Parameter Awal Partikel………IV-8 Tabel IV-7. Tabel Contoh Data Latih………..IV-9 Tabel IV-8. Tabel Contoh Data Uji………...IV-9 Tabel IV-9. Tabel Hasil Perhitungan Jarak Euclidian Distance………IV-10 Tabel IV-10. Tabel Hasil Pengurutan Data Perhitungan Jarak………..IV-10 Tabel IV-11 Tabel Operasi PSO iterasi 1………..IV-13 Tabel IV-12 Tabel Definisi Aktor Use Case………...IV-15 Tabel IV-13 Tabel Definisi Use Case………...IV-15 Tabel IV-14.Tabel Skenario Use Case memuat data website phishing…...IV-17 Tabel IV-15 Tabel Skenario Use Case Klasifikasi website phishing menggunakan metode k-NN………IV-18 Tabel IV-16 Tabel Skenario Use Case Klasifikasi website phishing menggunakan kombinasi metode PSO - k-NN………...IV-20 Tabel IV-17 Implementasi Kelas……….IV-30 Tabel IV-18 Rencana Pengujian Use Case Memuat File………IV-33 Tabel IV-19 Rencana Pengujian Use Case Klasifikasi Website Phishing dengan Metode k-NN………..IV-34
Tabel IV-20 Rencana Pengujian Use Case Klasifikasi Website Phishing dengan Kombinasi Metode PSO - k-NN………..IV-35 Tabel IV-21 Pengujian Use Case Memuat File………...IV-36 Tabel IV-22 Pengujian Use Case Klasifikasi Website Phishing dengan Metode k-NN………...IV-37 Tabel IV-23 Pengujian Use Case Klasifikasi Website Phishing dengan Kombinasi Metode PSO - k-NN………IV-38 Tabel V-1. Hasil Pengujian Nilai Akurasi Klasifikasi Menggunakan Metode k –
Nearest Neighbour………..V-2
Tabel V-2. Hasil Pengujian Waktu Komputasi Klasifikasi Menggunakan Metode k
– Nearest Neighbour………..V-3
Tabel V-3. Hasil Pengujian Pengaruh Partikel PSO dalam Klasifikasi Website
Phishing Menggunakan Kombinasi Metode Particle Swarm Optimization dan k – Nearest Neighbour……….V-5
Tabel V-4. Hasil Pengujian Pengaruh Jumlah Partikel dalam Klasifikasi Website
Phishing Menggunakan Kombinasi Metode Particle Swarm Optimization dan k – Nearest Neighbour………..V-7
Tabel V-5. Hasil Pengujian Pengaruh Jumlah Iterasi dalam Klasifikasi Website
Phishing Menggunakan Kombinasi Metode Particle Swarm Optimization dan k – Nearest Neighbour………..V-8
Tabel V-6. Hasil Pengujian Pengaruh Bobot Inersia dalam Klasifikasi Website
Phishing Menggunakan Kombinasi Metode Particle Swarm Optimization dan k – Nearest Neighbour………..V-8
Tabel V-7. Perbandingan Hasil Pengujian Klasifikasi Website Phishing dengan Metode k – NN dan Kombinasi Metode PSO – k-NN……….V-10
DAFTAR GAMBAR
Gambar II-1. Arsitektur Rational Unified Process (RUP)……….……....II-11 Gambar III-1. Diagram Tahap Penelitian……….……III-2 Gambar III-2. Diagram Tahapan Pengujian Penelitian………...III-11 Gambar III-3. Gantt Chart Penjadwalan Penelitian Tahap Menentukan Ruang Lingkup dan Unit Penelitian………..III-24 Gambar III-4. Gantt Chart Penjadwalan Penelitian Tahap Menentukan Dasar Teori yang Berkaitan dengan Penelitian……….III-25 Gambar III-5. Gantt Chart Penjadwalan Penelitian Tahap Menentukan Kriteria Pengujian………..III-25 Gambar III-6. Gantt Chart Penjadwalan Penelitian Tahap Menentukan Alat yang Digunakan Untuk Pelaksanaan Penelitian pada Fase Insepsi………..III-26 Gambar III-7. Gantt Chart Penjadwalan Penelitian Tahap Menentukan Alat yang Digunakan Untuk Pelaksanaan Penelitian pada Fase Elaborasi………..III-27 Gambar III-8. Gantt Chart Penjadwalan Penelitian Tahap Menentukan Alat yang Digunakan Untuk Pelaksanaan Penelitian pada Fase Konstruksi………III-27 Gambar III-9. Gantt Chart Penjadwalan Penelitian Tahap Menentukan Alat yang Digunakan Untuk Pelaksanaan Penelitian pada Fase Transisi…………....,,,,III-28 Gambar III-10. Gantt Chart Penjadwalan Penelitian Tahap Melakukan Pengujian Penelitian……….III-28
Gambar III-11. Gantt Chart Penjadwalan Penelitian Tahap Melakukan Analisa Hasil Pengujian dan Pembuatan Kesimpulan……….…III-29 Gambar IV-1. Diagram Use Case………..IV-14 Gambar IV-2. Rancangan Antar Muka Perangkat Lunak………..IV-22 Gambar IV-3 Diagram Aktivitas Memuat File………..…IV-23 Gambar IV-4 Diagram Aktivitas Klasifikasi Web Phishing dengan Metode k –
NN………..………....IV-24
Gambar IV-5 Diagram Aktivitas Klasifikasi Web Phishing dengan Kombinasi Metode PSO k – NN………...IV-24 Gambar IV-6 Diagram Sequence Memuat File……….IV-25 Gambar IV-7 Diagram Sequence Klasifikasi Website Phishing dengan Metode
k-Nearest Neighbour………IV-26
Gambar IV-8 Diagram Sequence Klasifikasi Website Phishing dengan Kombinasi Metode Particle Swarm Optimization dan k-Nearest Neighbour…………IV-27 Gambar IV-9 Diagram Kelas………...IV-28 Gambar IV-10 Diagram Kelas Analisis Memuat Data………IV-29 Gambar IV-11 Diagram Kelas Analisis Klasifikasi Website Phishing dengan Metode k – Nearest Neighbour………IV-29 Gambar IV-12 Diagram Kelas Analisis Klasifikasi Website Phishing dengan Kombinasi Metode Particle Swarm Optimization dan k-Nearest Neighbour………IV-30
Gambar IV-13 Antar Muka Perangkat Lunak……….IV-32
DAFTAR LAMPIRAN
Halaman Diagram Kelas………. L1-1 Kode Program……….. L2-1
BAB I PENDAHULUAN 1.1 Pendahuluan
Bab ini memberikan penjelasan umum mengenai keseluruhan penelitian, diantaranya adalah membahas latar belakang masalah, rumusan masalah, tujuan, manfaat, batasan masalah atau ruang lingkup, sistematika penulisan, dan kesimpulan penelitian.
1.2 Latar Belakang Masalah
Dewasa ini salah satu contoh akan pesatnya perkembangan informasi ditandai dengan banyaknya bermunculan layanan commerce maupun
e-banking yang menggunakan transaksi online sebagai metode pembayaran. Hal
ini mengakibatkan pengguna internet menjadi rentan terhadap ancaman – ancaman online yang dapat mengakibatkan kerugian bagi pengguna internet. Salah satu ancaman yang timbul karena pesatnya penggunaan layanan transaksi online ini adalah aktivitas phishing. Aktivitas phishing adalah sebuah aktivitas yang dilakukan dengan tujuan untuk mencuri informasi pribadi dari pengguna dengan menggunakan halaman website palsu (dummy) yang dibuat sangat mirip dengan website aslinya(Abdelhamid et al., 2014). Website palsu ini digunakan untuk menipu dan memancing pengguna internet untuk memasukan informasi pribadi mereka lalu mengirimkan informasi tersebut ke e-mail pelaku phishing.
Aktivitas website Phishing ini sering dijumpai namun sering tidak disadari oleh pengguna website dikarenakan ketidaktahuan pengguna internet tentang karakteristik sebuah website yang mengandung phishing ditambah dengan
website yang mengandung phishing memiliki tampilan antar muka yang dibuat
sangat mirip dengan website asli (Mohammad et al., 2014).
Oleh karena itu perlu dikenali seperti apa website yang terindikasi memiliki aktivitas phishing didalamnya. Salah satu metode yang mudah dan populer untuk dilakukan adalah menggunakan metode klasifikasi dengan melihat ciri – ciri yang ada dalam website (Halim, 2017). Berdasarkan data yang dimiliki dan akan digunakan oleh penulis pada penelitian ini, salah satu metode yang dapat diterapkan untuk melakukan klasifikasi website phishing adalah Algoritma K-
Nearest Neighbour. Algoritma K- Nearest Neighbour merupakan salah satu
algoritma klasifikasi yang cukup sering digunakan sebagai dasar pembangunan perangkat lunak klasifikasi dikarenakan algoritma ini cukup mudah untuk diterapkan dan efektif terhadap data dengan ukuran yang besar dan tangguh terhadap data yang memiliki noise (Mutrofin et al., 2015). Algoritma K- Nearest
Neighbour juga memiliki beberapa kekurangan salah satunya adalah nilai k yang
kurang optimal dan cenderung bias karena nilai k didapatkan dari hasil percobaan yang ditentukan secara manual untuk mendapatkan nilai k yang optimal (Lestari, 2015).
Berdasarkan kekurangan yang dimiliki oleh algoritma k – Nearest
Neighbour yang telah disebutkan diatas maka diperlukan sebuah metode yang
untuk mengatasi kekurangan tersebut adalah menggunakan Algoritma Particle
Swarm Optimization (PSO). Algoritma Particle Swarm Optimization ini dapat
menjadi salah satu solusi guna mengatasi kekurangan yang ada pada algoritma k
– Nearest Neighbour. Pada penelitian ini algoritma Particle Swarm Optimization
akan digunakan untuk menentukan nilai k optimum pada algoritma k – Nearest
Neighbour dalam mengklasifikasi website Phishing.
1.3 Rumusan Masalah
Berdasarkan latar belakang yang dikemukakan diatas, rumusan masalah dalam penelitian ini adalah bagaimana penerapan dan kinerja dari kombinasi metode Particle Swarm Optimization yang digunakan untuk menentukan nilai k optimum pada algoritma k – Nearest Neighbour dalam mengklasifikasi website
phishing.
Untuk menyelesaikan permasalahan yang disebutkan diatas, maka dalam penelitian ini dibagi dalam beberapa research question, yaitu sebagai berikut.
1. Apakah kombinasi algoritma Particle Swarm Optimization dan k –
Nearest Neighbour dapat digunakan untuk mengklasifikasi website phishing?
2. Bagaimana pengaruh parameter – parameter algoritma Particle Swarm
Optimization terhadap hasil klasifikasi k – Nearest Neighbour?
3. Bagaimana performa hasil klasifikasi menggunakan algoritma k –
Nearest Neighbour dan kombinasi algoritma Particle Swarm Optimization dan k – Nearest Neighbour.
1.4 Tujuan Penelitian
Tugas Akhir ini memiliki tujuan sebagai berikut.
1. Mengetahui apakah kombinasi metode Particle Swarm Optimization dan K-Nearest Neighbour dapat digunakan untuk mengklasifikasi website phising.
2. Mengetahui bagaimana pengaruh parameter – parameter algoritma
Particle Swarm Optimization terhadap hasil klasifikasi k – Nearest Neighbour.
3. Mengetahui bagaimana performa hasil klasifikasi menggunakan algoritma k – Nearest Neighbour dan kombinasi algoritma Particle
Swarm Optimization dan k – Nearest Neighbour.
1.5 Manfaat Penelitian
Manfaat yang didapat dari menyelesaikan Tugas Akhir ini adalah sebagai
berikut.
1. Mampu memahami dan menerapkan metode Particle Swarm
Optimization dan K- Nearest Neighbour yang diterapkan untuk
mengklasifikasi website phishing.
2. Dapat mengetahui bagaimana pengaruh parameter – parameter algoritma Particle Swarm Optimization terhadap hasil klasifikasi k – Nearest Neighbour.
3. Dapat mengetahui bagaimana performa hasil klasifikasi menggunakan algoritma k – Nearest Neighbour dan kombinasi algoritma Particle
Swarm Optimization dan k – Nearest Neighbour.
1.6 Batasan Masalah
Batasan masalah dalam tugas akhir ini adalah.
1. Data yang digunakan diambil dari dataset open source (publik) yang diunduh dari situs https://openml.org.
2. Dataset yang digunakan merupakan dataset website phishing yang memiliki 16 atribut dan jumlah data sebanyak 2587 data.
1.7 Sistematika Penulisan
Adapun sistematika penulisan pada Tugas Akhir ini adalah sebagai berikut.
BAB I. PENDAHULUAN
Pada bab ini diuraikan mengenai latar belakang, rumusan masalah, tujuan penelitian, manfaat penelitian, batasanmasalah / ruang lingkup
penelitian, dan sistematika penulisan.
BAB II. KAJIAN LITERATUR
Pada bab ini akan dibahas dasar-dasar teori yangdigunakan dalam penelitian, seperti definisi-definisi sistem, sistem rekomendasi, landasan teori dan penelitian lain yang relevan.
BAB III. METODOLOGI PENELITIAN
Pada bab ini akan dibahas mengenai tahapan yang akan dilaksanakan pada penelitian ini. Masing-masing rencana tahapan penelitian dideskripsikan dengan rinci dengan mengacu pada suatu kerangka kerja. Di akhir bab ini berisi perancanganmanajemen proyek pada pelaksanaan penelitian.
1.8 Kesimpulan
Penelitian mengenai kombinasi antara metode Particle Swarm
Optimization (PSO) dan k – Nearest Neighbour (k – NN) untuk
mengklasifikasi website phishing dilakukan untuk menjawab rumusan masalah dan research question yang ada untuk mencapai tujuan penelitian dan mengetahui bagaimana hasil dan manfaat dari penelitian yang akan dilakukan.
DAFTAR PUSTAKA
Abdelhamid, N., Ayesh, a. & Thabtah, F. 2014. Phishing detection based Associative Classification data mining. Expert Systems with Applications, 41, 5948-5959.
Aburomman, A. A. & Reaz, M. B. I. 2016. A novel SVM-kNN-PSO ensemble method for intrusion detection system. Applied Soft Computing, 38, 360-372.
Bansal, J. C., Singh, P., Saraswat, M., Verma, A., Jadon, S. S. & Abraham, A.2011. Inertia weight strategies in particle swarm optimization. Nature and Biologically Inspired Computing (NaBIC), 2011 Third World Congress on, 2011. IEEE, 633-640.
Gharaibeh, K. M. & Yaqot, A. 2012. Target classification in wireless sensor network using particle swarm optimization (PSO). IEEE Sensors Applications Symposium Proceedings, 2012. IEEE, 1-5.
Halim, Z. 2017. Prediksi Website Pemancing Informasi Penting Phising Menggunakan Support Vector Machine (SVM). Information System for
Educators and Professionals, 2, 71–82-71–82.
Haupt, R. L., Haupt, S. E. & Haupt, S. E. 1998. Practical genetic algorithms, Wiley New York.
Lestari, M. 2015. Penerapan algoritma klasifikasi Nearest Neighbor (k-NN) untuk mendeteksi penyakit jantung. Faktor Exacta, 7, 366-371.
Mahardika, K. W., Sari, Y. A. & Arwan, A. 2017. Optimasi K-Nearest Neighbour Menggunakan Particle Swarm Optimization pada Sistem Pakar untuk Monitoring Pengendalian Hama pada Tanaman Jeruk. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548,
964X.
Mohammad, R. M., Thabtah, F. & McCluskey, L. 2014. Predicting phishing websites based on self-structuring neural network. Neural Computing and
Applications, 25, 443-458.
Mutrofin, S., Izzah, A., Kurniawardhani, A. & Masrur, M. 2015. Optimasi teknik klasifikasi modified k nearest neighbor menggunakan algoritma genetika.
Ndaumanu, R. I. & Arief, M. 2014. Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor. JISATI.
Sokolova, M. & Lapalme, G. 2009. A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45, 427-437.
Tharwat, A., Mahdi, H., Elhoseny, M. & Hassanien, A. E. 2018. Recognizing human activity in mobile crowdsensing environment using optimized k-NN algorithm. Expert Systems With Applications, 107, 32-44.
Widyawan, W., Saharuna, Z. & Sumaryono, S. 2012. Deployment jaringan sensor nirkabel berdasarkan algoritma particle swarm optimization. Proceeding
